一种基于机器学习的多因素影响环境疲劳寿命预测方法

摘要

本发明涉及材料疲劳寿命评估方法领域，尤其涉及一种基于机器学习的多因素影响环境疲劳寿命预测方法。本发明首先通过建立机器学习模型并优化参数。接着通过实验和文献资料收集数据，获取关键特征变量。再将数据随机划分训练集和测试集，将训练集数据进行特征缩放，并输入到机器学习模型中进行迭代训练。最后将测试集数据进行特征缩放并输入到训练好的机器学习模型中，计算预测得到的疲劳寿命，评估模型的预测精度。本发明的优点在于利用数据的驱动性和模型的外推扩展性，在保证实验数据足够的前提下极大的减少对于试验次数的依赖，同时满足多个影响因素同时作用的条件，实现精准预测多因素和环境疲劳寿命的相对隐式的复杂映射关系。

说明书

技术领域

本发明涉及材料疲劳寿命评估方法领域，尤其涉及一种基于机器学习的多因素影响环境疲劳寿命预测方法。

背景技术

材料与构件的强度问题在工程应用中得到广泛的关注，而疲劳问题是对其服役寿命和安全性起到决定性的因素。疲劳问题的特点在于承受扰动应力(随时间变化)，由高应力或高应变的局部开始形成损伤与破坏，经历裂纹的萌生、裂纹的稳定扩展和裂纹失稳扩展三阶段(疲劳与断裂，陈传尧，华中科技大学出版社)。在不同的环境下材料的疲劳寿命往往存在差异，例如高温高压水环境下金属材料的疲劳寿命相较于空气中会有明显的降低，这对于结构和构件的经济性与安全性造成极大的损失与隐患，故而环境疲劳寿命预测问题受到了重点关注。

至今对于环境疲劳失效的根本原因尚未有明确的定义，被广泛认同的机理有氢致开裂机理和膜破裂/滑移溶解机理两种，只能解释部分试验现象并且缺乏裂纹微观扩展过程的直接证据，难以区分和确定准确的环境疲劳失效原因。机器学习方法随着网络大数据时代的到来和相关硬件的发展进步被广泛应用于解决复杂难题，在保证实验数据足够的前提下极大的减少对于试验次数的依赖，同时满足多个影响因素同时作用的条件，可以在确保高周循环范围的精度下寻找影响因子与疲劳寿命的隐式关系。

发明内容

针对背景技术中存在的问题，提出一种基于机器学习的多因素影响环境疲劳寿命预测方法，步骤如下：

S1、建立机器学习模型并优化参数；

S2、通过实验和文献资料收集数据，获取关键特征变量；

S3、将数据随机划分训练集和测试集，再将训练集数据进行特征缩放，并输入到机器学习模型中进行迭代训练；

S4、将测试集数据进行特征缩放并输入到训练好的机器学习模型中，计算预测得到的疲劳寿命，评估模型的预测精度。

优选的，S2的具体步骤如下：

S21、收集包含实验材料的化学成分、复杂环境下应变低周疲劳的实验工况参数和相对应的环境疲劳寿命的数据；

S22、利用皮尔逊相关系数作为参考评估各输入特征变量与环境疲劳寿命的相关性，根据公式(1)计算出相应的数值并排序筛选出特征变量；

式(1)中n为数据样本的数量，X

优选的，S21中收集的疲劳数据实验环境包含Pressurized-Water Reactor、LightWater Reactor模拟环境以及高溶解氧水环境；材料化学成分包含C、P、S、Si、Cr、Ni、Mo、Mn、Cu、N；实验工况参数包含温度、水中溶解氧、锂离子、硼离子浓度、压力、拉伸/压缩速率、应变幅值以及对应的疲劳寿命。

优选的，S3的具体步骤如下：

S31、对S2中的关键因素影响下的疲劳寿命数据进行随机打乱；

S32、利用公式(2)、(3)对数据进行特征缩放至[0,1]范围；

式(2)、(3)中

S33、利用K折交叉验证法对子S32得到的数据进行训练集和测试集的划分，其中K取10，具体方法为：将数据集平均分成10个子样本集，提取1个单独的子样本作为测试集进行验证，其他9个样本合并为整个训练集用来训练，交叉验证重复10次，得到相应个数的子样本进行验证，根据公式(4)、(5)、(6)计算相应的决定系数R

式(4)、(5)、(6)中n为数据样本的数量，y

优选的，S1的具体操作为：选取支持向量机作为机器学习模型，式(7)、(8)为选取的SVM高斯核；利用网格搜索法对模型的参数和结构进行优化，将参数范围设定后排列组合，列出可能的组合后生成“网格”进入S33进行交叉验证，得到优化后训练完成的模型；

式(7)、(8)中X

优选的，S4中需根据公式(9)获得均方根误差，对模型的预测精度进行评估。

式(9)中n为数据样本的数量，y

与现有技术相比，本发明具有如下有益的技术效果：

本发明首先通过建立机器学习模型并优化参数。接着通过实验和文献资料收集数据，获取关键特征变量。再将数据随机划分训练集和测试集，将训练集数据进行特征缩放，并输入到机器学习模型中进行迭代训练。最后将测试集数据进行特征缩放并输入到训练好的机器学习模型中，计算预测得到的疲劳寿命，评估模型的预测精度。本发明的优点在于利用数据的驱动性和模型的外推扩展性，在保证实验数据足够的前提下极大的减少对于试验次数的依赖，同时满足多个影响因素同时作用的条件，实现精准预测多因素和环境疲劳寿命的相对隐式的复杂映射关系。

附图说明

图1为本发明中一种基于机器学习的多因素影响环境疲劳寿命预测方法流程图；

图2为本发明中特征变量PCC的分析排序图；

图3为本发明中K折交叉验证法原理示意图；

图4是本发明中实验值与预测值的疲劳寿命误差示意图。

具体实施方式

如图1所示，本发明提出的一种基于机器学习的多因素影响环境疲劳寿命预测方法，步骤如下：

一、建立数据集并进行特征筛选。

1.1、收集的疲劳数据实验环境包含Pressurized-Water Reactor(PWR)、LightWater Reactor(LWR)模拟环境以及高溶解氧水环境；材料化学成分包含C、P、S、Si、Cr、Ni、Mo、Mn、Cu、N；实验工况参数包含温度、水中溶解氧、锂离子、硼离子浓度、压力、拉伸/压缩速率、应变幅值以及对应的疲劳寿命。

1.2、将其整理为如

1.3、再利用皮尔逊相关系数(PCC)作为参考评估各输入特征变量与环境疲劳寿命的相关性，其计算公式如下：

其中，n为数据样本的数量，X

特征变量与疲劳寿命的相关性随着PCC的绝对值的增大而变得更强，越接近于1，相关度越强，越接近于0，相关度越弱。如图2所示，应变幅值与疲劳寿命为负相关且相关度最强，接着是拉伸和压缩应变速率是正相关度最强的特征变量。

二、数据处理与评估标准的选择。

2.1、在Python语言中基于sklearn.preprocessing引入特征标准化函数Minmaxscale对样本数据进行归一化，以防止因为数据的数量级量纲差距过大而导致大量纲属性占据主导地位，同时可以提升模型的收敛速度。其计算公式如下：

其中，

2.2、利用k折交叉验证法(k-fold Cross Validation)，将初始样本数据集分割成k个子样本，提取一个单独的子样本作为测试集进行验证，其他k-1个样本合并为整个训练集用来训练。交叉验证重复k次，得到相应个数的子样本进行验证，对k次的结果取平均值得到最终的评估。在此处k取10，操作过程如图3所示。

2.3、选取决定系数R

其中，n为数据样本的数量，y

三、建立机器学习模型并优化参数。

在Python语言中建立支持向量机(SVM)模型，基本思想是令模型的不同样本能够通过一个超平面区分开来，超平面的定义如下：

w

支持向量回归模型的参数调整主要针对核函数，不同的核函数有对应的不同的超参数种类。在sklearn.svm函数库中常用的核函数包括三种：线性核函数、多项式核函数以及高斯核函数。针对本发明的问题选择高斯核函数，具体计算公式如下：

其中，X

采用网格搜索的方法对上述两个参数进行优化，此处选择的是随机网格搜索，从指定的分布中采样固定数量的参数设置。优化后的参数如表1所示。

表1SVM超参数优化结果

四、模型性能评估。

采用k折交叉验证法对数据集处理得到验证集并以均方根误差RMSE作为性能指标进行评估，RMSE的值越接近于0，表示模型的预测和实验值的误差越小，说明模型预测能力越强。计算公式如下：

其中，n为数据样本的数量，y

表2模型性能评估结果

优化后的模型的预测误差带如图4所示，其中O为数据点，靠近实线的两条虚线为1.5倍误差带，远离实线的两条虚线为2倍误差带，实线表示预测值与实验值一致，越接近实线表示模型预测精度越高。模型的预测精度符合预期，无需大量的系数修正过程，基本分布于1.5倍误差带中且表现出了一定的保守性。需要注意的是，由于该模型的训练数据收集于不同的文献和实验，数据点的分散性较大，另外，该模型对疲劳寿命的适用范围为10

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于此，在所属技术领域的技术人员所具备的知识范围内，在不脱离本发明宗旨的前提下还可以作出各种变化。